Eulerian–Lagrangian CFD-microphysics modeling of aircraft-emitted aerosol formation at ground-level
Notice bibliographique
Résumé
Aviation-induced particulate matter directly affects the climate, the atmospheric composition at flight altitudes, and local air quality near airports. Meeting environmental regulations is a key challenge for the future development of air transportation. To enhance the understanding of secondary aerosol formation in aircraft plumes, an innovative methodology combining flow dynamics in aircraft engine plumes with a particle-based microphysical model is proposed. To this end, 2D axisymmetric unsteady Reynolds-Averaged Navier–Stokes simulations were conducted behind a realistic aircraft engine geometry. The CFD model was coupled with a tabulated chemistry and a detailed microphysical model accounting for soot surface activation, condensation of organic vapors and sulfur species (H2SO4, SO3), as well as scavenging of sulfuric acid-water droplets on soot surfaces. The model’s predictive capacity was validated against experimental data from APEX 1–2, encompassing plume aerothermodynamics properties and the evolution of gaseous species from low-idle (4%) to take-off (100%) power settings of the CFM56-2C1 aircraft engine. The predicted size distributions of total and nonvolatile particles matched reasonably well with measurements from APEX-1 within the near field (≤30 m). The model reveals the engine power dependency of soot and the chemical composition of volatile particles, predominantly influenced by organic compounds downstream of the engine. Adsorption of gaseous species of organic compounds and sulfuric acid were identified as the most dominant mechanism for soot particle coatings in the near field, regardless of operating conditions.Copyright © 2024 American Association for Aerosol Research
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».